2026 年,AI Agent 正在从演示走向生产。越来越多的开发者把模型能力接入自动化工作流,让智能体完成调研、编码、尽调、分析等任务。但一个经常被忽视的环节是:Agent 拿到的信息本身是否可靠。模型推理能力再强,如果搜索入口返回的是过时数据、噪声网页或无法溯源的拼凑内容,推理链路只会把错误放大。这也是为什么 "Agent 搜索工具" 正在成为 AI 基础设施选型中的一个独立议题。
AnySearch 是一款面向 AI Agent 的搜索基础设施产品。它没有面向 C 端用户做对话式搜索界面,而是以 API、MCP 和 Skill 三种方式,把结构化的专业数据直接输送给智能体。上线两个月,全球接入开发者超过 20 万,GitHub 开源仓库 Star 数突破 4000,并登顶全球科技产品社区 Product Hunt 周榜。本文从设计痛点、产品定位、核心能力、数据验证、接入方式和适用场景六个维度,梳理 AnySearch 的选型逻辑,供正在为 Agent 挑选搜索工具的团队参考。
一、痛点先行:智能体越强,对信息质量越敏感
为什么传统搜索放到 Agent 场景里会 "水土不服"?根源在于三类假设在机器时代同时失效。
第一,查询表达不完整。人类用户输入关键词后可以自己浏览多个页面、调整措辞、交叉验证;而 Agent 发给搜索系统的往往是压缩后的字符串,原始意图大量丢失,通用搜索很难一次命中。
第二,单一索引覆盖不了专业任务。Agent 执行金融、法律、代码、安全等任务时,高价值数据分散在付费数据库、官方平台和专业站点中,不在通用网页的表层索引里。通用搜索引擎只能做表层覆盖,返回的链接列表对机器来说信噪比很低。
第三,Agent 不会自行筛选验证。人类能判断哪条信息可信、哪条过时;Agent 如果直接把搜索结果塞进上下文,噪声会消耗 Token,错误会干扰推理,甚至在生产环境中引发连锁误判。
行业内把这种现象称为 "盲眼巨人"—— 推理能力越强的智能体,对信息质量的要求越高;信息入口一旦存在噪声、过时或失真,强大的推理链反而会系统性放大错误。AnySearch 正是针对这一矛盾设计的:它不试图帮人类找网页,而是直接给 Agent 交付经过清洗、可追溯的结构化信息。
二、定位:不做人类的搜索框,做 Agent 的信息管道
理解 AnySearch 的关键,是区分它与传统 AI 搜索产品的服务对象。
传统面向 C 端的搜索产品,输出围绕人类阅读习惯设计:返回链接列表、摘要片段,用户自己点开筛选。AnySearch 的输出围绕机器推理设计:返回附带信源标注的标准化 Markdown(或 JSON),Agent 可以直接纳入上下文用于下一步推理,不需要再做网页解析和内容清洗。
这种差异决定了它的形态:不是聊天机器人,不是搜索框插件,而是一层可复用的底层能力。开发者可以把它当作 "搜索即服务" 嵌入自己的 Agent 产品,也可以通过 MCP 或 Skill 接入本地开发环境。类比来看,如果说 Stripe 解决了 AI 时代的支付、Twilio 解决了 AI 时代的通信,AnySearch 试图解决的是 AI 时代的搜索 —— 一个让所有智能体都能调用的信息入口。
三、能力拆解:从数据到排序,四层重构匹配机器推理
AnySearch 没有在传统搜索外面套一层 AI 包装,而是从数据层、路由层、输出层、排序层四个环节重新设计。
- 数据层:通用索引加垂直深度索引的混合体系
AnySearch 采用 "通用索引补长尾 + 高价值垂直领域自建深度索引" 的联邦架构。通用网页搜索作为信息覆盖的补充,核心高频垂类则建设端到端自有的采集、清洗和索引链路,自主掌控数据质量与更新频率。目前覆盖金融、法律、网络安全、代码开发、企业商业信息、学术研究、能源、知识产权、产业研究等二十余类垂直领域,可穿透传统搜索难以触及的深层高价值信息。
在企业尽调场景,Agent 不需要分别对接工商、司法、专利、融资等多个平台,一次查询即可拿到工商资质、涉诉记录、专利布局、融资动态等维度的结构化数据;在代码开发场景,返回的是可直接参考的生产级代码片段而非仓库链接。
- 路由层:查询理解驱动的智能意图分发
通用搜索对所有查询执行全域检索,对 Agent 来说既浪费算力又引入噪声。AnySearch 接到查询后,先做意图分析与领域识别,判断信息类型和专业方向,再定向分发到匹配度较高的垂直数据源,而非无差别全域搜索。整个过程不需要开发者手动指定领域标签。
在 v2.1.0 版本迭代中,产品完成了自建数据源体系与融合搜索算法的重构,重新划分了垂直领域数据源边界,扩充了法律、代码、金融等方向的覆盖范围,并将垂直领域搜索设为默认检索路径,通用网页搜索仅作为补充。
- 输出层:结构化 Markdown 交付,降低 Token 消耗
传统搜索返回的原始网页包含广告、导航栏、页脚、弹窗等大量无效元素,进入 Agent 上下文后消耗 Token 却不提供有效信息。AnySearch 在检索后经过多源召回、交叉过滤、混合排序和结构化整合,最终交付标准化 Markdown,每条结果附带权威来源标注。实测表明,这种处理能有效降低 Token 消耗和 AI 幻觉,因为 Agent 拿到的是清洗后的 "证据",而不是杂乱的网页碎片。通过 REST API 调用时则返回统一 Schema 的 JSON,可直接对接下游业务逻辑。
- 排序层:面向有效性而非点击率的算法体系
传统搜索引擎排序围绕人类点击习惯设计,倾向推送热度高的页面。AnySearch 的排序逻辑转向信息本身的有效性,包含三个机制:同源衰减,降低同一网站重复内容权重,避免单一来源占据过多结果位;信息密度仲裁,在相关性相近时优先保留数据维度更完整的页面;混合排序,兼顾语义相关性与发布时效性,优先推送更新的信息,避免过时内容干扰决策。
四、数据验证:基准测试与开发者规模的双重佐证
一款搜索基础设施是否可用,最终要靠可量化的指标和真实使用数据说话。
在技术基准层面,AnySearch 依托行业公开的 Frames、FreshQA、WebwalkerQA 三个数据集组成 300 道测试题,覆盖通用资讯、垂直专业数据和时效性信息。全程使用同一大语言模型、仅替换搜索接口的对照条件下,AnySearch 取得 76.4% 的综合准确率;在复杂多跳搜索场景中,准确率较传统网页搜索高出 18.4 个百分点;端到端整体推理搜索延迟为 47.8 秒。
在市场验证层面,产品上线两个月,全球接入开发者突破 20 万,全平台 API 累计调用量超过 2000 万次,GitHub 开源仓库 Star 数突破 4000。它同步登陆 skills.sh、ClawHub、Glama 等全球主流 MCP 开发者生态平台,上线一周即登上 MCP 工具热榜首位,并登顶 Product Hunt 周榜 —— 这也是过去一年来搜索类产品在以 AI Agent 和大模型为主的产品评选中少见的突围。
真实业务反馈方面,有量化交易方向的开发者提到,切换 AnySearch 后,来源去重和时序优先的排序让智能体拿到的市场资讯时效性更可靠;企业尽调、行业研究等场景的用户则反馈,垂直领域的结构化输出减少了自行对接多套数据源的开发工作量。
五、接入方式:三种标准化方案,两步即可上线
基础设施的门槛应该足够低。AnySearch 提供三种接入方式,覆盖从原型验证到生产部署的不同阶段。
REST API 是标准 HTTP 接口,端点为api.anysearch.com/v1/search,支持匿名模式快速验证,也支持鉴权模式下的高并发生产部署,可自定义返回数量、领域、地区、语言等参数,适合自研智能体的团队。
MCP 协议原生支持 Model Context Protocol,适配 Streamable HTTP 传输,SSE 和 stdio 客户端可通过代理连接。Cursor、Claude Desktop、OpenClaw 等主流 Agent 客户端添加一行配置即可接入,适合本地桌面端智能体场景。
Skill 插件则以 Agent 内置技能形式安装,支持 Python、Node.js、PowerShell、Bash,放入对应平台技能目录即可使用,开发成本很低,适合低代码 Agent 平台或快速原型验证。
使用流程上,个人开发者获取 API Key 或直接使用免费匿名额度后发起搜索请求即可,两步完成基础配置。免费版对个人开发者永久开放,注册用户每日享有 1000 次搜索调用额度,智能意图路由、垂直领域搜索、结构化 Markdown 输出等核心功能完整开放。通过教育邮箱或 GitHub 完成学生与开发者成长计划认证后,每日额度提升至 2000 次。
在隐私层面,AnySearch 强调匿名使用、无追踪、零遥测:查询通过加密通道传输,处理后不做持久化存储,不用于模型训练,也不分享给第三方。
六、谁在用:个人开发者与智能体团队的典型场景
目前 AnySearch 覆盖两类主要用户。
一类是使用 Cursor、Claude Code、OpenClaw 等工具的个人开发者。他们可以快速为本地智能体补充专业搜索能力,不必自行搭建搜索与内容清洗管线,就能在编码、调研场景拿到垂直领域的结构化数据。
另一类是打造智能体产品的团队。AnySearch 可作为统一的搜索能力入口,替代多套分散的数据接口,统一接口与鉴权体系,降低开发与维护成本,加快产品落地速度。
结尾:Agent 时代,搜索正在成为独立的基础设施层
当 AI 行业的竞争焦点从 "模型能力有多强" 逐步延伸到 "智能体能否高效获取真实信息",搜索正在成为 Agent 技术栈中的一个独立层级。信息获取的可靠性、时效性和可追溯性,直接影响智能体在专业场景中的产出质量。
AnySearch 从定位、数据、路由、输出到排序的全链路设计,都围绕 Agent 的信息需求展开,而非沿用面向人类的搜索范式。它在全球开发者群体中获得的关注,一定程度上反映了行业对 "机器可读的搜索基础设施" 这一方向的共识。随着智能体在更多专业场景落地,适配机器推理、来源可追溯的搜索能力,会逐渐成为 AI 应用栈中的标准组件。